Majalah Ilmiah Matematika dan Statistika Volume 18 Nomor 2, 2018, 69 – 80

https://jurnal.unej.ac.id/index.php/MIMS/index ISSN 1411-6669

ANALISIS REGRESI DATA PANEL TERHADAP INDEKS

PEMBANGUNAN MANUSIA (IPM) JAWA TIMUR
TAHUN 2006-2015
(Panel Data Regression Analysis of the East Java Human Development Index (HDI)
2006-2015)

Muhammad Jamil Hidayat, Alfian Futuhul Hadi, Dian Anggraeni

Jurusan Matematika, Fakultas MIPA, Universitas Jember

Jl. Kalimantan 37 Jember 68121, Indonesia
E-mail: m.jamil.hidayat@gmail.com, {afhadi, dian_a.fmipa}@unej.ac.id

Abstract. Panel data is a combination of time series and cross section data. Panel
data regression is used because in a time there is time researchers can’t perform
analysis only by using time series data and cross section data only. This is because
the number of factors used in the analysis phase, so that if the researcher only
uses cross section data then the researcher can’t see the influence of factors that
affect as well as on the growth of HDI that occurs from time to time in a certain
period. Whereas it is quite possible that the conditions between one year and
another will be different. Based on the model estimation, it is used with fixed
effect model (FEM) approach. Modeling HDI with FEM in 2006-2015 period
resulted in R2 value of 94.23%. The results showed that from 2006-2015 the ratio
of student-teacher (RST), health facilities (HF), percentage of expenditure per
capita by group of food (PPF) and regional per capita expenditure (PPE) have
significant effect to HDI.
Keywords: HDI, Panel, Fixed Effect Model
MSC 2010: 62J07

1. Pendahuluan

Indeks Pembangunan Manusia (IPM) merupakan salah satu indikator yang digunakan
pemerintah dalam mewujudkan masyarakat yang makmur dan sejahtera. IPM merupakan
indeks komposit yang dihitung dari indeks kesehatan, indeks pendidikan, dan indeks
kependudukan. IPM telah dijadikan tolak ukur dalam menentukan keberhasilan
pembangunan suatu wilayah atau negara, bahkan bagi Indonesia. IPM merupakan data
yang strategis karena selain sebagai tolak ukur kinerja pemerintah, IPM juga digunakan
sebagai salah satu alokator dana umum oleh pemerintah. Perkembangan IPM di Indonesia
dari tahun ketahun selalu mengalami peningkatan. Di Jawa Timur, peningkatan IPM terus
terjadi setiap tahunnya dengan tingkat kenaikan sebesar 0,72 point dari tahun 2010-2015.
Selain itu peningkatan IPM juga tidak menutup kemungkinan akan menurun seperti
halnya pada tahun 2009-2010 yang rata-rata turun sebesar 5,78 point. Hal ini dikarenakan

69
 Analisis Regresi Data Panel .......................... Hidayat, M.J., Hadi, A.F, Anggraeni, D.

variabel penyusun IPM tidak menentu maka hal tersebut akan cukup krusial untuk diteliti.
Sehingga digunakan metode regresi data panel dalam penelitian kali ini. Data panel
adalah gabungan antara data runtut waktu (time series) dan data silang (cross section).
Metode data panel memiliki beberapa keuntungan dibandingkan dengan hanya
menggunakan cross-section atau time-series saja [1]. Beberapa keuntungan tersebut
yaitu, data panel memberikan data yang lebih informatif, lebih variatif, mengurangi
kolinearitas antar variabel, drajat kebebasannya lebih banyak, efisiensi yang lebih besar,
dapat mendeteksi lebih baik dalam mengukur efek-efek yang tidak dapat diobservasikan
dalam cross-section maupun time-series.

Penelitian sebelumnya dengan pendekatan fixed effect model lebih pada IPM di seluruh
kab/kota di Jawa Tengah dari tahun 2008-2012. Didapat bahwa melek huruf, rata-rata
lama sekolah, dan pengeluaran riil per kapita secara berpengaruh signifikan terhadap IPM
[2]. Kemudian analisis faktor-faktor yang mempengaruhi IPM di Indonesia dari tahun
2008-2012. Hasil yang diperoleh yaitu PDRB, Rasio Ketergantungan, Konsumsi Pangan
Rumah Tangga dan APBD Kesehatan berpengaruh signifikan terhadap IPM sementara
APBD pendidikan Tidak berpengaruh signifikan serta secara bersama-sama variabel
independen berpengaruh sebesar 90% terhadap variabel dependen[3].

Tujuan dari penelitian ini adalah melakukan pendekatan dengan melakukan pemilihan
model regrsi data panel. kemudian dilakukan uji estimasi parameter, dan terakhir
dilakukan uji asumsi klasik, sehingga dapat diketahui variabel apa saja yang berpengaruh
signifikan terhadap IPM.

Indeks Pembangunan Manusia

IPM merupakan indeks komposit yang dihitung sebagai rata-rata dari tiga indeks yang
menggambarkan kemampuan dasar manusia dalam memperluas pilihan pilihan, yaitu
indeks kesehatan, indeks pendidikan, dan indeks kependudukan [4]. perhitung IPM,
setiap komponen harus dihitung indeksnya terlebih dahulu. Rumusan yang digunakan
dalam perhitungan indeks yaitu:
X i, j − Xi− mi n
i nd ek s Xi , j =
Xi− mak s− Xi− mi n (1)
dimana
X i, j = i ndeks komponen ke i dar i daer ah j
Xi− mi n = ni l ai mi ni mum d ar i X
Xi− mak s= ni l ai mak si mum dar i X

Analisis Regresi
Analisis regresi adalah hubungan yang dapat dan dinyatakan dalam persamaan matematik
yang menyatakan hubungan fungsional antar variabel-variabel. Analisis regresi dibagi
menjadi dua yaitu:
a. Analisis regresi linier sederhana

70
 Majalah Ilmiah Matematika dan Statistika Volume 18 Nomor 2, 2018, 69 – 80
https://jurnal.unej.ac.id/index.php/MIMS/index ISSN 1411-6669

Analisis regresi linier sederhana digunakan untuk mendapatkan hubungan matematis

dalam bentuk suatu persamaan antara variabel tak bebas dengan variabel bebas tunggal
[5]. Rumusan yang digunakan sebagai berikut:

Y= a+b x (2)
dengan: y = subyek dalam variabel dependen yang diprediksi
a = parameter inercept
b = parameter koefisien regresi bariabel bebas
x = subyek pada variabel yang mempunyai nilai tertentu

b. Analisis regresi linier berganda

Analisis regresi linier berganda digunakan untuk memprediksi berubahnya nilai variabel
tertentu bila variabel lain berubah [5]. Dikatakan regresi berganda karena jumlah variabel
bebas (dependent) sebagai prediktor lebih dari satu, maka digunakan persamaan regresi
linier berganda dengan rumusan sebagai berikut:

ŷ= a0+a1 x1 +…+an xn +ei (3)

dengan: ŷ = variabel tidak bebas (dependent)
a0,...,an = koefisien regresi
x1, x2,. = variabel bebas (independen)
e
i = galat
I = Observasi ke-i

Regresi Data Panel

Data panel adalah gabungan antara data runtut waktu (time series) dan data silang (cross
section)[6]. Secara umum regresi data panel dituliskan sebagai berikut:
yi t= αi t + β Xi t + ei t (4)
dengan
y = unit cross section ke-i untuk periode waktu ke-t
it

α it = intersep merupakan efek grup/individu dari unit cross section ke-i dan periode waktu

ke-t
β = ( β1 , β2 ,…, βn )adalah vector konstanta berukuran 1xn dengan n banyaknya variabel

independent
Xi t = menunjukkan vector observasi pada variabel independent berukuran 1xn
e
it = komponen eror unit data table silang ke-i dan waktu ke-t
i = 1,2,…,n
t = 1.2,…,T

Estimasi Regresi Data Panel

Estimasi pendekatan Regresi data panel memiliki tiga pendekatan yang sering digunkan
yaitu common effect, fixed effect, dan random effect
a. Koefisien Tetap (Common Effect Model)

71
 Analisis Regresi Data Panel .......................... Hidayat, M.J., Hadi, A.F, Anggraeni, D.

CEM adalah model regresi pada data longitudinal yang didapat dengan asumsi bahwa
unit cross-setion dan time-series yang digunakan dalam model ini sudah ditentukan [6],
persamaannya adalah:
yi t= a+µi +λt + βXi t +ei t (5)
dengan:
y = unit cross section ke-i untuk periode waktu ke-t
it

a = intersep merupakan efek grup/individu dari unit cross section ke-i dan periode
waktu ke-t
β = ( β1, β2 ,…, βn ) adalah vector konstanta berukuran 1xn dengan n banyaknya variabel
independent
Xi t = menunjukkan vector observasi pada variabel independent berukuran 1xn
e
it = komponen eror unit observasi ke-i pada waktu ke-t
λt = intersep waktu ke-t
µi = intersep cross-setion ke-i
i = 1,2,…,n
t = 1.2,…,T

b. Model Efek Tetap (Fixed Effect Model)

FEM adalah metode regresi yang mengansumsikan bahwa terdapat efek yang berbeda
pada antar individu [7]. Persamaan sebagai berikut:
N
yi t= αi t + βi Xi t + ∑ aK D K i +ei t
K= 2 (6)
dengan:
y = unit cross section ke-i untuk periode waktu ke-t
it

e
it = komponen eror untuk individu ke-i pada waktu ke-t
βi = parameter galat untuk individu ke-i pada waktu ke-t
Xi t = menunjukkan vector observasi pada variabel independent berukuran 1xn
DK i = variabel boneka (dummy variable)

c. Model Efek Random (Random Effect)

Random Effect Model memiliki asumsi pengaruh individu pada unit cross section dan
time series merupakan peubah acak yang dimasukkan dalam model sebagai galat [8].
Random Effect Model dinyatakan dalam model:

yi t= αi t + β Xi t + ei t (7)
dengan asumsi α it adalah variabel random dengan rata-rata α0
sehingga intersep setiap
unit adalah
α i = a0 + εi
untuk i=1, 2, …, N
Dengan demikian, apabila disubtitusikan maka modelnya menjadi

72
 Majalah Ilmiah Matematika dan Statistika Volume 18 Nomor 2, 2018, 69 – 80
https://jurnal.unej.ac.id/index.php/MIMS/index ISSN 1411-6669

yi t= a0 + εi + β Xi t + ei t
yi t= αi t + β Xi t + wi t
dengan
wit = komponen eror cross section dan komponen eror time series

Pengujian Pemilihan Model Regresi Data Panel

Pengujian pemilihan model regresi data panel harus dilakukan. Tujuannya yaitu agar
kita dapat menentukan model yang akan digunakan apakah itu common effect model,
fixed effect model, atau random effect model.

a Uji Chow
Uji Chow digunakan untuk memilih salah satu model pada regresi data panel, yaitu
antara FEM dengan CEM [9]. dengan hipotesis:
H 0 : a1= a2 = …= an= 0 (CEM)
H 1 :mi ni mal ad a sat u aI ≠ 0; i= 1,2,…,n (FEM)
Statistik uji:
RRSS− U RSS
n− 1
U RSS
F=
nt− n− k (8)
dengan
RRSS : sum square residual model OLS
URSS : sum square residual model fix
n : jumlah unit cross section
t : jumlah unit waktu
k : jumlah parameter yang akan diestimasi

Jika Fhi t un g > F N− 1, NT− N− K atau p− val ue< α (taraf signifikansi) b sehingga H 0
ditolak, maka untuk mengestimasi persamaan regresi digunakan fixed effect model.

b Uji Hausman
Uji Hausman digunakan untuk memilih antara model FEM atau REM [1], dengan
hipotesis:
H 0 : corr ( Xi t ,εi ) =0 (REM)
H1
: corr ( Xi t ,εi ) ≠ 0 (FEM)
statistik uji:
W= (β F EM − βREM )' (v ar (β F EM )− v ar (β F EM ))− 1( β FE M − β RE M )
(9)
atau p− val ue< α (taraf signifikan) adalah FEM.
2
H0 W>X
Keputusan tolak jika a,K

73
 Analisis Regresi Data Panel .......................... Hidayat, M.J., Hadi, A.F, Anggraeni, D.

c. Uji Lagrange Multipler

Uji Lagrange Multipler (LM) dilakukan apabila hasil yang dihasilkan dari uji Chow
dan uji Hausman berbeda, sehingga uji Lagrange Multipler digunakan untuk
menentukan apakah Model CEM atau Model REM yang akan digunakan [10].
dengan hipotesis:
H O : σ2i = 0 (CEM)
H 1 : σ2i ≠ 0 (REM); i= 1, 2, …,n
statistik uji:
 N 
  T  ei  
2

nT  i=1 
(10)
LM =
2T  1  N T 
   eit
2

 i=1 t=1 
2
Tolak H O jika L M >X a, K maka H0 ditolak sehingga model yang digunakan adalah
REM.

Uji Asumsi Klasik

Pengujian asumsi klasik merupakan pengujian yang harus dipenuhi dalam melakukan
analisis menggunakan regresi data panel diantaranya asumsi residual berdistribusi
normal, identik, dan independen. Dengan asumsi kenormalan, estimator OLS
mempunyai sifat yang tidak bias, efisien, dan konsisten. Disamping itu, ditribusi
probabilitas untuk estimator OLS dapat diperoleh dengan mudah, karena sifat distribusi
normal setiap fungsi linier dari variabel yang berdistribusi normal dengan sendirinya
didistribusikan secara normal. Uji asumsi klasik meliputi uji Normalitas, uji
Multikoliearitas, dan uji Heterokedastisitas [11].

Pendugaan dan Pengujian Signifikansi Parameter Regresi

Pendugaan parameter sebagai wadah untuk menetapkan kesimpulan sementara dan
kemudian ditetapkan sebagai hipotesis nol dan hipotesis alternative dimana hipotesis
nol digunakan untuk memprdiksi bahwa variabel independen tidak mempunyai efek
terhadap variabel dependen serta untuk memprediksi bahwa tidak adanya perbedaan
antara suatu kondisi dengan kondisi yang lain. sedangan hipotesis alternatif digunakan
untuk memprediksi bahwa variabel independen memiliki efek terhadap variabel
dependen serta untuk memprediksi adanya suatu perbedaan antara suatu kondisi dengan
kondisi yang lainnya. Dengan demikian hipotesis nol inilah yang merupakan dugaan
terhadap parameter suatu penelitian yang akan dilakukan guna untuk menyanggah atau
membenarkan informasi dari suatu populasi berdasarkan pada tingkat signifikansi
tertentu [12]. Pengujian Signifikansi parameter regresi perlu dilakukan, hal tersebut agar
peneliti mengetahui hubugan antara variabel independen dan varibel dependen [9].

74
 Majalah Ilmiah Matematika dan Statistika Volume 18 Nomor 2, 2018, 69 – 80
https://jurnal.unej.ac.id/index.php/MIMS/index ISSN 1411-6669

Uji Serentak (Uji F)

Uji F digunakan untuk mengetahui semua variabel independen secara bersama-sama
mempunyai pengaruh terhadap variabel dependen [2]. Dengan hipotesis:
H 0 : β1= β2= …= βK = 0
H1:minimal ada satu βK ≠ 0, k= 1,2,…, K

Statistik uji:
M Sr egr esi
Fhi t un g=
M Sr esi dual (11)
dengan:
2
R = Koefisien Determinasi
n = Jumlah data silang
T = Jumlah data rutun waktu
K = Jumlah variabel independen
H 0 ditolak jika Fhi t un g>Ft abel ( F a;( K − 1, N− K ) ) , sehingga hubungan antara variable dependen

dan variable independen berpengaruh signifikan.

Uji Pasial (Uji t)

Uji t digunakan untuk mengetahi pengaruh setiap variabel independen dan variabel
dependen [3]. Hipotesis
H 0: β j = 0
H 1: βj ≠ 0
Uji t didefinisikan:
b j− βj
t hi t ung=
SE (b j )
(12)
(t hi t ung )>t t abel ( t a )
H0 ditolak jika 2
, N− K
,dengan n adalah jumlah pengamatan dan k adalah
banyaknya parameter. Sehingga dapat disimpulkan bahwa variable independen
signifikan terhadap variabel dependen.
2
Uji Koefisien Determinasi (Uji R )
2
R merupakan cerminan seberapa besar variasi dari variabel terikat Y dapat diterangkan
2
oleh variabel bebas dari X. ditentukan oleh R yang mempunyai nilai di antara nol dan
satu [9].

2. Metodologi
Data yang digunakan dalam penelitian ini adalah data diambil dari Badan Pusat
Statistik dengan ruang lingkup penelitian dibatasi pada kabupaten/kota di Jawa Timur
dari tahun 2006 sampai dengan tahun 2015:
 Variabel tidak bebas (Y) adalah Indeks Pembangunan Manusia (IPM)

75
 Analisis Regresi Data Panel .......................... Hidayat, M.J., Hadi, A.F, Anggraeni, D.

 Variabel bebas (X) yang akan digunakan dalam penelitian ini adalah sebagai
berikut :
 Angka Melek Huruf ( X 1 )
 Pengeluaran Perkapita Daerah ( X 2 )
 Presentase Pengeluaran Perkapita Kelompok Makan ( X3 )
 Rasio Murid-Guru ( X4 )
 Jumlah Sarana Kesehatan ( X 5 )

Langkah-langkah Penelitian
Langkah–langkah yang akan dilakukan dalam penelitian ini adalah sebagai berikut:
1. Studi Literatur .
2. Melakukan estimasi data panel
3. Melakukan pemilihan model regresi data panel
4. Melakukan uji asumsi klasik
5. Melakukan uji signifikansi parameter pada model regresi data panel
6. Penarikan kesimpulan.

3. Hasil dan Pembahasan

Data yang diperoleh akan diestimasi dengan metode regresi data panel, namun sebelum
melakukan estimasi terlebih dahulu dilakukan pemilihan model yang sesuai. Ada
beberapa model regresi data panel yaitu adalah CEM, FEM, REM. Kemudian setelah
didapat model regresi data panel akan dilakukan uji asumsi klasik dan juga uji estimasi
parameter.

Uji chow merupakan uji yang digunakan untuk memilh antara CEM dan FEM.
Perhitungan uji Chow diperoleh nilai p-value = 0,000 < α=0,05, sehingga tolak H 0 dapat
dismpulkan bahwa model yang sesuai adalah fixed effect model. Selanjutnya dilakukan
uji Hausman yaitu untuk menentukan antara FEM dan REM yang sesuai. Perhitungan Uji
Hausman menghasilkan p-value=0,000 < α=0,05 sehingga tolak H 0 dapat disimpulkan
bahwa model yang sesuai adalah fixed effect model. Berdasarkan hasil uji Chow dan uji
Hausman maka model estimasi yang sesuai adalah fixed effect model.

Selanjutnya dilakukan uji asumsi klasik. Uji saumsi klasik meliputi uji normalitas, uji
multi kolinieritas dan uji heterokedastisitas. Berdasarkan Gambar. 1 diketahui
probabilitas J-B = 0,6495 > α= 0,05 sehingga dapat disimpulkan bahwa data berdistribusi
normal.

76
 Majalah Ilmiah Matematika dan Statistika Volume 18 Nomor 2, 2018, 69 – 80
https://jurnal.unej.ac.id/index.php/MIMS/index ISSN 1411-6669

50
Series: Standardized Residuals
Sample 2006 2015
40 Observations 380

Mean -3.72e-17
30 Median 0.054444
Maximum 5.336587
Minimum -4.629226
20 Std. Dev. 1.794129
Skewness 0.101468
Kurtosis 2.884606
10
Jarque-Bera 0.862897
Probability 0.649568
0
-5 -4 -3 -2 -1 0 1 2 3 4 5

Gambar 1. Hasil uji normalitas

Tabel 1. Hasil uji multikolinieritas

AMH PPD PPM RMG SARKES

AMH 1.000000 0.241610 -0.744335 0.171745 -0.274731
PPD 0.241610 1.000000 -0.431798 -0.118433 -0.038431
PPM -0.744335 -0.431798 1.000000 -0.079517 0.240921
RMG 0.171745 -0.118433 -0.079517 1.000000 0.010758
SARKES -0.274731 -0.038431 0.240921 0.010758 1.000000

Bedasarkan Tabel. 1 diketahui bahwa koefisien variabel tidak terdapat yang melebihi 0,85
sehingga dapat disimpulkan bahwa tidak terdapat multikolinieritas.

Tabel 2. Heteroskedasticity Test: Glejser

F-statistic 2.269941 Prob. F(5,374) 0.0471

Obs*R-squared 11.19214 Prob. Chi-Square(5) 0.0477

Bedasarkan hasil uji heterokedastisitas pada Tabel. 2 Diketahui p-value=0,471 > α=0,05
sehingga dapat disimpulkan bahwa varians residual bersifat hetero. Berdasarkan hasil uji
asumsi klasik dimana terdapat heterokedastisitas, maka dalam perbaikannya digunakan
model fixed effect model dengan cross-section weight seperti Tabel 3.

Kemudian dilakukan pendugaan parameter terhadap hasil fixed effect model cross-
section weight. Hasil yang diperoleh adalah seperti pada Tabel 3.

77
 Analisis Regresi Data Panel .......................... Hidayat, M.J., Hadi, A.F, Anggraeni, D.

Tabel. 3. Fixed effect model cross-section weigth

Variable Coefficient Std. Error t-Statistic Prob.

AMH -0.079676 0.060650 -1.313699 0.1898

PPD 4.47E-05 2.07E-05 2.160964 0.0314
PPM -0.059578 0.028944 -2.058371 0.0403
RMG -0.174299 0.049324 -3.533786 0.0005
SARKES 0.122709 0.060961 2.012892 0.0449
C 69.49843 7.785880 8.926214 0.0000
R-squared 0.942308 Prob(F-statistic) 0.000000
F-statistic 131.0567 Durbin-Watson stat 1.227377

Sehingga didapat persamaan:

IPM = -0.0796761309464 * AMH + 4.4653267378e-05 * PPD - 0.059578430218 * PPM
- 0.174298952501 * RMG + 0.122708731474 * SARKES + 69.4984298389 (13)

Berdasarkan persamaan fixed effect model cross-section weight nilai IPM akan naik
apabila nilai AMH, PPM, RMG turun dan PPD, SARKES naik. Sebaliknya IPM akan
turun apabila nilai AMH, PPM, RMG naik dan PPD, SARKES turun serta dengan
pesamaan 13. dapat dihitung nilai IPM Jawa timur pada tahun 2009-2015. Hasil yang
diperoleh adalah seperti pada Gambar 2.

IPM JAWA TIMUR

68.98
68.66
68.39
68.23
68
67.8 67.82

2009 2010 2011 2012 2013 2014 2015

Gambar 2. IPM Jawa Timur

Berdasarkan Gambar 2. diketahui nilai IPM Jawa Timur mengalami penurunan pada
tahun 2009-2010 yaitu dari nilai 68,00 menjadi 67,80 dan terus naik pada tahun 2010-
2015 dari 67,80 pada tahun 2010 menjadi 69,00 pada tahun 2015.

Kemudian langkah selanjutnya dilakukan pengujian paramerter regresi berdasarkan hasil

Tabel 3. Pengujian yang dilakukan yaitu uji F, uji t, dan uji koefisien determinasi.
Sehingga didapatkan hasil uji F dilakukan untuk melihat apakah secara bersama-sama
variabel independen berpengaruh terhadap variabel dependen. Berdasarkan Tabel. 3.
Diketahui hasil dari prob.(F-statistik) =0,000 < α=0.05 sehingga dapat disimpulkan secara

78
 Majalah Ilmiah Matematika dan Statistika Volume 18 Nomor 2, 2018, 69 – 80
https://jurnal.unej.ac.id/index.php/MIMS/index ISSN 1411-6669

bersama-sama variabel independen berpengaruh signifikan terhadap variabel IPM.Uji t

untuk mengetahui variabel independen secara individu berpengaruh signifikan terhadap
variabel independen. Berdasarkan Tabel. 3 dapat diketahui bahwa terdapat empat variabel
independen yang berpengaruh terhadap variabel IPM dimana probabilitas < 0.05
diantaranya yaitu pengeluaran perkapita daerah (PPD), Persentase pengeluaran perkapita
kelompok makan (PPM), rasio guru-murid (RMG), dan jumlah sarana kesehatan
(SARKES). Sementara satu variabel tidak berpengaruh signifikan terhadap variabel IPM
yaitu angka melek huruf (AMH), hal ini sesuai dengan BPS dimana Angka melek huruf
sudah tidak relevan dalam mengukur pendidikan secara utuh, karena tidak dapat
menggambarkan kualitas pendidikan. Selain itu, karena angka melek huruf di sebagian
besar daerah sudah tinggi, sehingga tidak dapat membedakan tingkat pendidikan antar
daerah dengan baik. Uji koefisien determinasi, berdasarkan Tabel 3 Nilai R-square
sebesar 94,23% artinya variabel independen dapat menjelaskan variabel dependen
sebesar 94,23% sedangkan sisanya dijelaskan variabel lain yang tidak diteliti.

4. Kesimpulan

Berdasarkan hasil dan pembahasan penelitian ini dapat diperoleh kesimpulan sebagai
berikut:
a) Hasil dari uji chow dan uji Hausman model yang sesuai dengan analisis regresi data
panel terhadap faktor yang mempengaruhi IPM Jawa Timur pada penelitian ini
adalah fixed effect model. Namun setelah dilakukan uji asumsi klasik terdapat gejala
heterokedastisitas, sehingga model yang digunakan adalah fixed effect model cross-
section weight. Dengan Persamaan regresi yang diperoleh yaitu:
IPM = -0.0796761309464 * AMH + 4.4653267378e-05 * PPD - 0.059578430218 * PPM -
0.174298952501 * RMG + 0.122708731474 * SARKES + 69.4984298389
dimana Pengeluaran Perkapita Daerah (PPD), Presentase Pengeluaran Perkapita
Kelompok Makan (PPM), Rasio Murid-Guru (RMG), Jumlah Sarana Kesehatan
(SARKES), dan Angka Melek Huruf (AMH) dapat menjelaskan Indeks
Pembangunan Manusia (IPM) sebesar 94,23%.
b) Berdasarkan estimasi parameter pada fixed effect model cross-section weight maka
terdapat empat variabel yang berpegaruh signifikan terhap IPM antaralain
Pengeluaran Perkapita Daerah (PPD), Presentase Pengeluaran Perkapita Kelompok
Makan (PPM), Rasio Murid-Guru (RMG) dan Jumlah Sarana Kesehatan (SARKES).
Sementara Angka Melek Huruf (AMH) tidak berpengaruh signifikan terhadap
variabel IPM.

79
 Analisis Regresi Data Panel .......................... Hidayat, M.J., Hadi, A.F, Anggraeni, D.

Daftar Pustaka

[1] Baltagi, B.H., (2005), Econometrics Analysis of Panel Data 3rd edition, John Wiley
and Sons, Ltd., Chichester, England.
[2] Pangestika, S., (2015), Analisis Estimasi Model Regresi Data Panel dengan
Pendekatan Common Effect Model (CEM), Fixed Effect Model (FEM), dan Random
Effect Model.Skripsi. Universitas Negeri Semarang.
[3] Bhakti, A, N., (2012), Analisis Faktor-faktor yang Mempengaruhi Indeks
Pembangunan Manusia di Indonesia Periode 2008-2012. Universitas Jendral
Sudirman
[4] Badan Pusat Statistik, (2017), Indeks Pembangunan Manusia. BPS, Jakarta.
[5] Gujarati, D.N., (2004), Basic Econometrics, International Edition 4th Edition,
McGraw Hill, New York.
[6] Greene, W.H., (2007), Econometric Analysis, McMillan Publishing Company, New
York.
[7] Agustin R. A., (2016), Penerapan Regresi Data Panel Pada Ketahanan Pangan
Provinsi Lampung Tahun 2010-2013, Universitas Lampung, Bandar Lampung.
[8] Judge, G.G., Griffith, W.E., Hill, R.C., dan Lee T., (1980), The Theory and Practice
of Econometrics, Second Edition, John Wiley and Sons, Inc., New York.
[9] Diaty T.D., (2017), Analilis Regresi Data Panel Pada Timgkat Curah Hujan Di
Pulau Sumatra, Universitas Lampung, Bandar Lampung.
[10] Sukartika, (2009), Analisis Regresi Data Panel Pada Return Saham Abnormal, USM,
Surakarta.
[11] Widarjono, (2007), Ekonometrika Teori dan Aplikasi Untuk Ekonomi dan Bisnis.
Ekonosia, Yogyakarta.
[12] [12] Kifayati, Z., (2011), Estimasi Parameter Model Regresi Data Panel Common
Effect dengan Metode Ordinary Least Square (OLS). Skripsi. Universitas Islam
Negeri Maulana Malik Ibrahim.

80